AI 모델 개선을 위한 데이터 작업 단위인

ChatGPT 같은 모델의 성능을 평가할 때 흔히 토큰 사용량이나 일반적인 상식 답변 능력을 기준으로 삼는다. 하지만 인터넷에 공개된 학습 데이터와 범용적인 능력은 이미 포화 상태에 도달했다. 이제는 전문가가 가진 암묵지를 가르칠 수 있는 고품질 데이터가 모델 발전의 병목으로 작용한다. 이에 따라 모델의 추가 개선에 필요한 데이터를 직접 생성하고 공급하는 태스크(task, 작업 단위) 중심의 태스크 경제가 부상하고 있다.

태스크 경제는 모델의 추가 개선에 필요한 데이터를 생성하고 공급하는 시장을 뜻한다. 인터넷상의 텍스트만으로는 학습할 수 없는 전문가의 고유한 노하우와 암묵지를 데이터화하여 모델에 주입하는 것이 핵심이다. 범용 능력이 포화된 시점에서 모델의 경쟁력은 누가 더 정교한 전문가 데이터를 확보하느냐에 달려 있다. 데이터 공급의 단위가 단순한 텍스트 뭉치가 아니라 구체적인 작업 단위인 태스크로 전환되며 데이터 시장의 성격이 변하고 있다. 이 시장은 단순한 수집을 넘어 전문가가 문제를 해결하는 절차 자체를 데이터로 변환하여 공급하는 체계를 지향한다.

태스크 경제 플랫폼인 Mercor(머코, 전문가 데이터 공급 플랫폼)의 매출 지표는 이 시장의 팽창 속도를 구체적으로 증명한다. Mercor는 지난 2월 연간 반복 매출(ARR) 10억 달러를 달성한 이후 4개월 만에 20억 달러를 기록했다. 분기별로 집계되는 전문가들의 작업 시간 데이터는 현재 태스크 시장의 규모와 성장세를 가늠하는 간접 지표로 활용된다. 전문가의 실제 작업 시간이 곧 모델의 성능 개선을 위한 핵심 원료가 되는 구조 속에서 데이터 공급 인프라의 가치가 급격히 상승하고 있다.

태스크는 초기 상태와 작업 환경을 제공하고 결과를 보상 신호나

ChatGPT의 성능을 가늠할 때 우리는 보통 토큰(모델이 처리하는 텍스트의 최소 단위) 사용량에 주목한다. 토큰이 AI 추론과 모델 사용의 기본 단위라면, 태스크(Task)는 모델 개선의 기본 단위다. 추론 토큰 시장은 사용량과 비용이 투명하게 드러나 가시성이 높지만, 태스크 시장은 최첨단 AI 연구소들이 지출 내역을 철저히 비밀로 유지해 왔다. 공통의 가치 추상화 단위가 부족해 그동안 시장의 규모나 영향력이 상대적으로 덜 논의되었다.

태스크는 초기 상태와 작업 환경을 제공하고 결과를 보상 신호나 검증기로 평가해 모델을 학습시키는 단위다. 모델에게 단순히 어떤 결과값을 내놓아야 하는지 가르치는 것이 아니라, 그 결과에 도달하기 위해 구체적으로 어떻게 수행해야 하는지까지 학습시킨다. 이 과정을 통해 공개 인터넷 데이터만으로는 재현하기 어려운 전문가의 세부 업무 절차를 모델에 이식한다.

모델은 여러 태스크에서 도출된 점수를 학습 신호로 종합하여 활용한다. 보상 신호나 검증기가 매긴 높은 점수를 받은 행동 방향으로 모델을 조정하며 최적의 수행 경로를 찾아낸다. 이러한 데이터 인프라 구축과 투자 여부는 법률이나 의료 등 고도의 전문성이 필요한 도메인에서 범용 모델의 한계를 극복하고 실질적인 경쟁 우위를 확보하는 판단 기준이 된다.

로봇 학습 데이터 병목을 겨냥한 해법

성능의 척도로 쓰이던 토큰 사용량 지표보다 더 직접적인 수치는 투입되는 자본의 규모다. OpenAI와 Anthropic은 전문가를 직접 동원해 데이터와 에이전트 학습 자료를 구축하는 데 매년 10배씩 지출 규모를 확대하고 있다. 일부 주요 AI 애플리케이션 기업과 일반 기업들 역시 데이터 확보가 곧 시장의 경쟁 우위라는 판단 아래 개별 태스크(task, 특정 작업 단위) 관련 지출을 단기간에 1억 달러 이상으로 늘렸다. 전문가들이 생성한 고품질의 학습 자료가 모델의 지능을 결정짓는 핵심 자산이 되면서, 이를 확보하기 위한 자본 투입이 가속화되는 흐름이다.

법률, 의료, 금융, 소프트웨어, 과학 등 전문 분야별 데이터 인프라 구축 경쟁은 앞으로 더욱 확대될 전망이다. 각 전문 영역의 특성에 맞춘 별도의 데이터셋과 평가 체계, 그리고 강화학습(RL, 초기 상태와 작업 환경 및 보상 신호를 결합해 최적의 행동을 찾아내는 학습 방식) 환경이 필수적으로 요구되기 때문이다. 이러한 데이터 인프라를 성공적으로 구축한 조직이 모델의 최첨단 능력을 실질적으로 개선하고 시장 점유율을 확보하는 결정적인 우위를 점하게 된다. AI 연구소와 애플리케이션 기업, 그리고 일반 기업들이 각자의 전문 도메인에서 데이터 인프라를 선점하여 최첨단 능력을 확보하기 위해 치열하게 경쟁하는 구도가 가속화되고 있다.

성능을 가늠하던 토큰 지표의 시대가 가고, 전문가의 작업 절차를 학습시키는 태스크 중심의 데이터 경제가 부상하고 있다. 초기 상태와 작업 환경, 보상 신호를 결합한 강화학습 구조는 단순한 텍스트 생성을 넘어 실제 업무 수행 능력을 결정짓는 핵심 기제다.

1조 달러 규모의 잠재력을 가진 이 시장에서 데이터 인프라 투자는 더 이상 선택이 아니다. 범용 모델의 한계를 깨고 법률과 의료 등 전문 영역에서 독점적 지위를 확보할 수 있는 유일한 기준은 결국 고품질 태스크 데이터의 점유율이다.